EM算法——一首古老的民歌，唱出一首新快的曲调

为了庆祝Dempster、Laird和Rubin发表推广EM算法的论文20周年，在简要介绍了历史之后，我们研究了一些策略，旨在使EM算法更快地收敛，同时保持其简单性和稳定性（例如自动单调收敛的似然性）。首先，我们引入了“工作参数”的概念，以便于搜索高效的数据增强方案，从而快速实现EM。其次，总结了EM算法的各种最新扩展，我们提出了一种通用的交替期望-条件最大化算法AECM，该算法将灵活的数据增强方案与模型简化方案结合起来，以实现高效的计算。我们使用多变量来说明这些方法t吨-具有已知或未知自由度的模型和用于图像重建的泊松模型。我们通过经验和理论证据表明，在几乎不增加人力的情况下，计算时间有可能大幅减少。我们还讨论了EM型算法和Gibbs采样器之间的内在联系，以及使用此处介绍的技术加速后者的可能性。本文的主要结论是，借助于统计考虑，可以构造简单、稳定的算法和速度很快。